基于遙感影像的區(qū)域水土流失特征識別模型

崔 萌

(北京市密云區(qū)沙廠水庫管理處，北京 101500)

0 引 言

隨著生態(tài)環(huán)境建設的發(fā)展，對區(qū)域水土流失的監(jiān)測和特征識別受到人們的極大關注，需要建立結合區(qū)域水土流失地理要素動態(tài)演變分析模型，結合對地理要素動態(tài)演變的地理空間矢量分析和遙感影像分析，進行區(qū)域水土流失特征監(jiān)測與識別，建立區(qū)域水土流失特征演化和可視化分析模型，提高區(qū)域水土流失的多分辨紋理檢測和增強識別能力，研究區(qū)域水土流失特征分析模型，對提高矢量場的空間變化和動態(tài)可視化遙感監(jiān)測能力方面具有重要意義[1]。

對區(qū)域水土流失特征識別是建立在對遙感影像和地理特征分析基礎上，通過地理空間矢量場數據的可視化分析，構建多尺度、復雜空間特征結構分析，進行區(qū)域水土的自動監(jiān)測識別，通過高效可視化分析方法，進行水土流失的圖像監(jiān)測和特征識別[2]。文獻[3]中提出顧及地理矢量場空間變化特征的多分辨率紋理可視化區(qū)域水土監(jiān)測方法，對區(qū)域水土流失的大規(guī)模密集矢量場數據進行動態(tài)演化和幾何圖元特征分析，采用網絡端矢量場數據重組，實現水土流失特征識別。但該方法進行區(qū)域水土流失特征檢測的動態(tài)性不好。文獻[4]中提出基于被動微波遙感的地表粗糙度及土壤水分反演和水土可視化監(jiān)測識別方法，構建長時間序列 L 波段植被光學檢測模型，實現水土流失監(jiān)測，但該方法進行地表粗糙度和遙感監(jiān)測的精度不高，時效性不好。

針對上述問題，本文提出基于遙感影像的區(qū)域水土流失特征識別模型，首先通過大規(guī)模密集矢量場遙感影像數據檢測，進行區(qū)域水土流失特征的遙感特征檢測和特征重組，然后提取地理矢量場復合信息熵，通過遙感影像圖像分析，實現區(qū)域水土流失特征識別，最后進行仿真測試，展示了本文方法在提高區(qū)域水土流失特征識別能力方面的優(yōu)越性能。

1 區(qū)域水土流失的地理矢量場及多分辨拓撲

1.1 區(qū)域水土流失的地理矢量場分布

建立基于遙感影像的區(qū)域水土流失特征識別的SRAD濾波檢測模型，通過各向異性擴散和地理矢量場空間變化特征分析方法，進行地理要素動態(tài)演變分析，根據地理要素動態(tài)演變分布和遙感動態(tài)特征分析，進行區(qū)域水土流失的特征檢測和信息估計[5]，采用地理矢量場復合信息熵分析，得到區(qū)域水土流失的N×N鄰域中Φ遙感監(jiān)測區(qū)域，在矢量方向的分布范圍A內，通過建立統計概率模型，分析空間變化特征，在區(qū)域水土流失分布的綜合分布區(qū)域中，分析地表溫度空間異質性，基于復雜地表微波輻射模型分析方法，進行FY-3B/MWRI衛(wèi)星遙感檢測，得到區(qū)域水土流失遙感影像的三維特征點，初始區(qū)域水土流失遙感影像分塊的大小選取為固定值200 mm*200 mm，通過區(qū)域水土流失遙感影像分組拓撲檢測，得到區(qū)域水土流失遙感影像的模糊度分塊區(qū)域大小m*n，對地表異質性特征進行歸一化處理，得到區(qū)域水土流失遙感影像的邊緣像素分布集，通過對區(qū)域水土流失的動態(tài)演化特征分析，進行區(qū)域水土流失遙感影像的像素分割，實現區(qū)域水土流失遙感監(jiān)測和特征識別，得到區(qū)域水土流失的特征識別的總體實現結構圖，見圖1。

圖1 區(qū)域水土流失的特征識別總體結構圖

在不同場景下，采用水土區(qū)域流失監(jiān)測的方法，建立區(qū)域水土流失的地理矢量場特征分布結構參數解析模型，采用Canny算子進行區(qū)域水土流失的地理矢量重組，在遙感對地監(jiān)測過程中，通過濾波窗口分塊檢測，得到區(qū)域水土監(jiān)測的SRAD模型數值近似參數，通過區(qū)域水土的光譜特征、幾何形態(tài)特征、拓撲特征、功能特征，進行區(qū)域水土流失的特征識別。區(qū)域水土流失特征分布見圖2。

圖2 區(qū)域水土流失特征分布

1.2 區(qū)域水土流失特征多分辨拓撲

在多尺度、復雜空間中，通過多維特征結構分析的方法，建立各向異性擴散分析模型，進行區(qū)域水土流失遙感影像的信息增強和多模塊檢測，進行區(qū)域水土流失特征的地理矢量場數據集重建，利用原始區(qū)域水土流失遙感圖像和濾波后區(qū)域水土流失遙感圖像的差異性，對邊緣圖像進行分塊統計，計算區(qū)域水土流失遙感相鄰區(qū)域灰度反差，原始圖像為f(x,y)，在(p+q)階的區(qū)域水土流失特征多分辨譜參數為：

(1)

其中：(x,y)為遙感影像的幾何形態(tài)特征值；xp為局部閾值；yq為影像特征；M,N為幾何矩參數。

根據目標局部區(qū)域的光譜參數，得到原始圖像和濾波圖像的模糊度邊緣特征參數分布為：

(2)

根據水體流失的特征參數分析，通過河流水體段的像素強度分割，得到灰度像素邊緣參數Jdark(x)逼近于0。通過提取區(qū)域水土流失的河流水體參數，采用平滑尺度函數分析，同構特征耗散度解析，得到區(qū)域水土流失的特征分布函數滿足U(x)=1-e-βd(x)，引入β指標作為定量標準，采用子空間函數約束的方法，得到水體在SAR圖像中的光譜特征簡化為U(x)=1-t(x)，顯然有0

(3)

其中：Lxx(x,σ)為區(qū)域水土流失的局部閾值；Lxy和Lyy的含義與之類似。

由此基于自然水域河流水體的幾何形態(tài)分析，通過相鄰GP層之間的拓撲分析，實現區(qū)域水土流失特征多分辨拓撲設計。

2 區(qū)域水土流失特征識別

2.1 區(qū)域水土流失的遙感影像特征檢測

通過全局方向變化信息重組，結合區(qū)域水土流失遙感影像檢測的方法進行局部可視化特征重組，得到水域河流水體的幾何形態(tài)像素分布集表達式為：

(4)

式中：Tm為像素強度值；τmk為連通區(qū)域的反差邊緣；v(t)為河流水參數，wnk為連通區(qū)域的區(qū)域水土流失特征參數；K(m)為大尺度地理空間像素點；M為連通區(qū)域的邊緣像素集。

通過不同分辨率紋理表達和尺度檢測，得到各子區(qū)間βi內的分布概率和全局分布概率為：

minWH=min{w(C),h(V)}

(5)

(6)

其中：w(C)為強度信息熵；h(V)為概率統計區(qū)間函數；Area(cc)為區(qū)域水土流失標量信息的綜合抽象特征量；Area(pic)為統計概率參數分布集。

基于一定的統計概率模型，采用遙感信息增強技術，進行復合信息熵的增強的鄰域NEj*(t)。此時水土流失特征識別的概率統計區(qū)間為：

(7)

根據上述分析，建立統計概率模型，引入地理矢量場復合信息熵，通過整體變化特征分析，得到區(qū)域水土流失的標量屬性分布集為：

(8)

通過大規(guī)模密集矢量場遙感影像數據檢測，通過全局方向變化信息重組，結合區(qū)域水土流失遙感影像檢測的方法進行局部可視化特征重組。

2.2 區(qū)域水土流失特征識別輸出

結合幾何圖元法、紋理可視化方法，進行區(qū)域水土流失特征的遙感特征檢測和區(qū)域信息重組，以多頻噪聲作為輸入紋理，得到區(qū)域水土流失遙感影像的灰度像素值為：

(9)

以矢量方向分布概率為輸入特征量，以場強大小構建強度信息熵，得到統計概率函數為：

(10)

綜上分析，提取地理矢量場復合信息熵，通過遙感影像圖像分析，實現區(qū)域水土流失特征識別。模型實現流程見圖3。

圖3 區(qū)域水土流失特征識別模型實現流程

3 實驗測試分析

通過仿真實驗，驗證本文方法在實現區(qū)域水土流失特征識別中的應用性能，采用3×3窗口濾波檢測模型，進行區(qū)域水土流失模糊拓撲空間分析，區(qū)域水土流失分塊區(qū)域大小為290×350像元，水土遙感影像參數配置見表1。

表1 水土流失遙感影像監(jiān)測配置參數

根據表1參數，進行區(qū)域水土流失特征檢測，得到初始遙感影像，見圖4。

圖4 遙感影像監(jiān)測結果

以圖4的影像特征為輸入，進行區(qū)域水土流失特征識別，得到區(qū)域水土流失的分塊檢測結果，見圖5。

圖5 區(qū)域水土流失的分塊檢測結果

分析圖5可知，本文方法進行區(qū)域水土流失特征監(jiān)測的分塊融合性能較好，在此基礎上實現水土流失特征識別，見圖6。

圖6 區(qū)域水土流失檢測輸出

分析圖6可知，本文方法對區(qū)域水土遙感影像的動態(tài)渲染能力較強，提高了水土保持和動態(tài)監(jiān)測識別能力。

測試不同方法進行區(qū)域水土流失特征識別的精度，對比結果見表2。分析表2可知，本文方法對區(qū)域水土流失特征識別的精度更高。

表2 區(qū)域水土流失特征識別精度對比

4 結 語

本文提出基于遙感影像的區(qū)域水土流失特征識別模型，建立統計概率模型，分析空間變化特征。在區(qū)域水土流失分布的綜合分布區(qū)域中，分析地表溫度空間異質性，利用原始區(qū)域水土流失遙感圖像和濾波后區(qū)域水土流失遙感圖像的差異性，對邊緣圖像進行分塊統計，計算區(qū)域水土流失遙感相鄰區(qū)域灰度反差，實現區(qū)域水土流失特征識別和遙感監(jiān)測。分析結果表明，本文方法對區(qū)域水土流失特征識別和遙感影像檢測的分辨能力較強，提高了識別精度。